0

我正在尝试构建一个正则表达式以从内容中删除链接，除非它包含 2 个条件中的 1 个。

<a.*?href=[""'](http[s]?:\/\/(.*?)\.link\.com)?\/(?!m\/).*?<\/a>

这将匹配到在域部分末尾没有 m/ 的任何指向 link.com 的链接。我想稍微改变一下，所以它不匹配链接到 pdf 文件的 URL，不管 url 中有 m/，我想出了：

<a.*?href=["'](http[s]?:\/\/(.*?)\.brodies\.com)?\/(?!m\/).*?\.(?!pdf)["'].*?<\/a>

哦，非常接近，除了现在它只有在 URL 有一个“。”时才会匹配。最后 - 我可以看到它为什么这样做。我似乎无法使“。” 可选，因为这会导致“。”之前的非贪婪模式。继续前进，直到它击中 ["']

任何帮助都会很好地帮助解决这个问题。

谢谢保罗

4

2 回答 2

1

您可能想使用(?<!\.pdf)["']而不是\.(?!pdf)["'].

但请注意，此表达式有几个问题，解决它们的最佳方法是使用适当的 HTML 解析器。

于 2012-05-31T17:40:20.950 回答
1

首先，RegEx 匹配除了 XHTML 自包含标签之外的开放标签。

就是说，（因为它可能不会阻止）这是您尝试做的稍微更好的约束版本，但需要注意的是这仍然不够好！

<a[^>]+?href\s*=\s*["'](https?:\/\/[^"']*?\.link\.com)?\/(?!m\/)[^"']*?\.(?!pdf)[^"']*?["'][^>]*?>.*?<\/a>

您可以在以下网址查看此正则表达式的运行示例：http ://rubular.com/r/obkKrKpB8B 。

您的问题实际上只是您在点之后立即寻找引号字符，这里：.(?!pdf)["']。

于 2012-05-31T17:54:38.443 回答